「1758 个 AI 设计的结合域被逐个装进 CAR-T：三个失败原因，和一套设计规则」

2026 年 9 月 9 日，《Nature Biomedical Engineering》在线发表了纪念斯隆-凯特琳癌症中心（MSK）Caleb Lareau 团队的工作。他们用生成式蛋白设计流程造出 1758 个全新的蛋白结合域，靶向 BCMA、CD19、CD22 三个 CAR-T 相关抗原，然后一路做到蛋白结合、CAR 激活、原代 T 细胞、单细胞测序和小鼠异种移植。结果里最有用的部分不是「AI 设计出了一个更好的 CAR」，而是他们系统回答了另一个问题：为什么有些 AI 设计的结合域，装进 CAR 之后会失败。

🎯 起点：CAR-T 覆盖的人群太小

CAR-T 在血液癌症上疗效显著，但覆盖面很窄。MSK 给出的背景数据是：美国只有约 4% 的晚期或转移性癌症患者适合接受 CAR-T 疗法，而最近一项分析显示实际受益的患者比例接近 3%。

现有获批疗法用的结合域是单链可变片段（scFv），本质上是把现有抗体的一部分重新利用。AI 设计的结合蛋白走的是另一条路：不从现有抗体改造，从零构建全新蛋白，可以设计成结合靶蛋白的特定区域，体积也比 scFv 更小更紧凑。

Lareau 打的比方是：这相当于在 ChatGPT 里生成一百万个答案，再让另一个 AI 模型去评估它们。团队先用两个生成工具造出约 100 万个候选结合物，再用第二个模型按各种标准排序，最后筛出 100 到 200 个值得在真实世界里测的候选。编码这些候选的 DNA 序列送到外部实验室合成，大约一周寄回。

🧬 第一轮：会结合，只是开始

团队先用 RFdiffusion 和 BindCraft 两条流程靶向 BCMA，再用酵母表面展示（YSD）筛真正能结合的蛋白。

📉 装进 CAR 之后，17 个结合域立刻分了三类

把 binder 装进第二代 CAR 结构后，团队测了两件事：有抗原时能不能激活，没抗原时会不会自己激活。17 个 BCMA 结合域分成三类：

🤖 CARPNN：让模型从实验数据里学规律

接下来的工具叫 CARPNN（CAR Protein Neural Network），思路是用 ProteinMPNN 一类方法在保持结构的同时对结合界面和非结合界面做序列重设计，再用 Boltz-2 过滤。

以 B5 为起点，团队生成 4000 个序列，挑 21 个进 CAR 实验。结果跑出一个清晰的规律：结合域净电荷越偏正，本底信号越强，相关系数 ρ = 0.65。 疏水残基数量、氢键数量这些指标没有表现出同等相关性。

这一条对 AI 蛋白设计有直接约束：不能只优化「怎么和肿瘤抗原结合」，还得管结合域自己的表面电荷。否则 CAR-T 可能在没有靶抗原时就持续激活，等真正遇到肿瘤时已经耗竭。

优化后得到的 B5.I0，单细胞 RNA 测序显示效应基因 IL2、IFNG 表达高于亲本。

🐭 高肿瘤负荷下的对照实验

小鼠异种移植模型用的是 RPMI-8226。常规条件下，B5.I0 和临床 BCMA CAR 都能让肿瘤明显消退。

团队把难度提高：1 个 CAR-T 细胞面对 10 个肿瘤细胞。在这个高肿瘤负荷模型里，B5.I0 实现了接近完全的肿瘤控制；使用临床级 binder C11D5.3，以及 CARVYKTI（cilta-cel）所用的双表位 VHH binder VHH1-VHH2，都未能在这一条件下达到同等程度的肿瘤控制。

Lareau 的原话是：用 AI 设计的结合域基本实现了对癌症的完全控制，而现有临床产品无法抑制肿瘤生长。

需要压住的是边界：这仍然是小鼠异种移植前临床模型，不能直接等同于临床疗效。

🕳️ 坑一：正电荷太多，CAR 会无抗原自嗨

这是 tonic signalling。结合域净电荷偏正，CAR 在没有抗原时就激活，T 细胞在遇到肿瘤之前耗竭，疗效下降。CARPNN 的序列多样化把这条规律量化到了 ρ = 0.65。

🚧 坑二：AI 选对了 CD19，却选错了位置

团队把同一套流程用到 CD19，结果出现了很有意思的失败：AI 确实设计出了能结合重组 CD19 蛋白的 binder，装进 CAR 后几乎不激活。

问题不在「能不能结合」，在结合到了 CD19 上错误的表位。绝大部分 AI 设计都偏向 CD19 上的一块区域，而这一区域在真实细胞膜环境中恰好也是 CD81 的结合区域，CD81 把这个表位挡住了。

体外拿一个孤零零的重组 CD19 蛋白，binder 能结合；进入真实细胞，CD81 挡在前面，CAR 够不到。当研究者把 CD81 敲低以后，原本几乎不工作的 C1、C2 CAR 重新出现了 CD69 激活和杀伤能力。

这一条给 AI 蛋白设计提了醒：计算上能结合的表位，不一定是生理环境中真正可接近的表位。

⚠️ 坑三：靶向 CD22，却攻击 CD22 阴性的细胞

第三个靶点是 CD22。设计出的 D1、D2 等 binder 在 CD22 阳性细胞上能正常激活 CAR，但随后出现了危险信号：在明确的 CD22 阴性 RPMI-8226 细胞中，D1 和 D2 仍然产生了约 42.9% 和 59.6% 的 CD69 激活。这是脱靶激活。

修复的办法有点反直觉。团队再次用 CARPNN，以 D1 为基础生成 10000 个序列变体，但这次重点修改的是非结合界面残基，得到的 D1.N0 表现：

过去优化 binder 最容易盯着结合界面。这篇论文证明非结合界面同样能决定一个蛋白最终好不好用，而且这种修改能在保留靶向能力的同时压低脱靶风险。

📐 三个失败模式与一套流程

论文把从头设计蛋白结合域作为 CAR 使用时的主要障碍归纳为三类：tonic signalling、表位遮蔽（occluded epitope engagement）、脱靶活性（off-target activity）。

计算筛选方面，团队比较了 ipAE、ipTM 和 ipSAE，发现 ipSAE ≥ 0.85 是跨多个设计任务中相对稳定的筛选指标之一，可用于优先选择更可能获得有效结合的候选物。研究者还注意到 AI 模型倾向于偏好丙氨酸，而高丙氨酸含量会导致结合问题。

作者推荐的是一条闭环，不是「找一个计算分数最高的 binder 就结束」：

🔁 意义：评价标准从「结合多强」扩成了四条

这项工作真正改变的是提问方式。过去衡量一个 AI 设计的结合域，看的是它和靶点结合得有多强。现在要问四个问题：

1. 它在真实细胞膜上能不能碰到这个靶点？（CD19 案例） 2. 没有靶点时会不会自己激活？（tonic signalling，ρ = 0.65） 3. 会不会错误识别其他细胞？（CD22 案例） 4. 计算筛选指标能不能提前预判？（ipSAE ≥ 0.85）

Lareau 的说法是，他们正在把传统上依赖经验判断的设计，变成更科学、基于证据的设计。这种方法不限于 CAR-T，也能用于设计其他治疗用途的结合域，包括精准药物偶联物和其他癌症疗法。他描绘的远景是：一位患有罕见血液癌症或肉瘤、现有疗法都无效的患者，可以用 AI 在几周内做出一种疗法。

实验室目前进入这个十年计划的第三年。MSK 已就这项工作提交临时专利，Lareau 与另外四位作者列为发明人；Lareau 同时是 Cartography Biosciences 的顾问。

🧭 接下来盯什么

• BCMA 结果能否进临床。 B5.I0 的高肿瘤负荷数据来自小鼠异种移植，从动物模型到人体还有很长的路；
• 三个失败模式的普适性。 这套规则是在 BCMA、CD19、CD22 三个靶点上总结的，换靶点是否成立需要再验证；
• CARPNN 的方法外溢。 用非界面残基修复脱靶这条思路，能不能推广到其他生成式蛋白设计任务。

📚 参考文献

1. Chow A., Chu H., Li R., Nalbant B. N., Dozic A. V., Kida L. C., Tang Z., Palmeri J. R., Lareau C. A. Sequence and structural determinants of efficacious de novo chimaeric antigen receptors. Nature Biomedical Engineering, 2026-09-09, DOI 10.1038/s41551-026-01790-9 2. Memorial Sloan Kettering Cancer Center：Using AI to design better cancer therapies，2026-09-10 3. Medical Xpress：AI-designed proteins outperform existing CAR T designs against BCMA tumors in mice，2026-09-10 4. Nature Biomedical Engineering Research Briefing：Defining attributes of effective binders for AI-assisted CAR design 5. 生物通：从头设计的新型嵌合抗原受体的序列与结构决定因素，2026-09-10

#CART #AI蛋白设计 #生成式生物学